干货 | 预处理在脑电分析中是必要的吗？

在这里插入图片描述
Hello，大家好！

这里是壹脑云科研圈，我是喵君姐姐~

我们进行脑电分析的时候，首先要进行的就是一个预处理的大动作，预处理在脑电分析中到底有什么作用呢？让我们看看大牛们都是怎么说的。

预处理在脑电数据分析中扮演什么样的角色？

对以往的研究进行梳理后发现，研究者们将关注点主要聚焦在以下几个方面：

1.预处理是脑电数据分析的充分且必要（充要）条件？

2.预处理是脑电数据分析的充分但不必要条件？

3.预处理是脑电数据分析的必要但不充分条件？

4.预处理是脑电数据分析的不充分且非必要条件？

近期，Arnaud Delorme（注：EEGLAB的开发者）在bioRxiv预印本平台提交了《EEG is better left alone》一文。

文章访问链接如下：

扫描二维码关注公众号，回复： 15458451 查看本文章

https://doi.org/10.1101/2022.12.03.518987

该文章通过跨数据分析平台（EEGLAB、FieldTrip、MNE 和 Brainstorm）就脑电数据分析中预处理环节中采取的一些方法（如：插值坏导、重参考、ICA 等）对脑电结果的影响进行了充分探讨。

简言之，该预印本的结果表明，除了高通滤波和插值坏导外，自动数据校正对重要电极点的百分比没有影响或显著降低。

重参考和基线校正方法对数据结果的稳定性可能会有消极影响。

拒绝不良数据段或试次无法弥补统计功效的损失。

ICA 分析拒绝眼电伪迹、肌电伪迹并不能可靠地提高数据表现。

此外，在跨分析平台管道进行数据分析时，也没有获得比较好的预期结果。

下面让我们一起了解详细的分析过程吧！

01
高通滤波

对于 Go/No-go dataset 和 Oddball dataset，滤波导致电极点的百分比增加了约 50%，如下图所示。对于 Face Dataset，滤波没有带来显着改善，这可能是因为在数据收集时使用了0.1Hz 的高通滤波。

在这里插入图片描述

02
移除线性噪音

坏导插值可能会影响电极点的百分比，陷波滤波对数据的百分比没有显著的影响。但 cleanline 和 Zapline-plus 中的插值算法甚至对Face Dataset 的性能产生消极影响。

此外，除一些特定的脑电数据分析指标或方法外，线性噪声的离线去除可能不是预处理 EEG 数据的关键步骤。

03
重参考

如图所示，我们发现在所有三个数据集中重参考并没有增加重要渠道的百分比。此外，中值、平均值、REST 和 PREP 等重参考方法还可能会导致某些消极影响。

在这里插入图片描述

04
基线

如图所示，减去基线活动对数据质量没有影响或产生负面影响，尤其是当基线短于 500 毫秒时。此外，如果数据在 0.5 Hz 或以上进行高通滤波，则在 ERP 分析中应省略减去平均基线活动。

在这里插入图片描述

05
分析平台管道

在分析管道上，并没有发现哪个分析管道具有明显优势。

在这里插入图片描述

后记

这篇预印本的结果和观点在学者之间引发了激烈的讨论，在开放科学研究的推动下，海量 EEG 数据集的开放共享、数据分析环节及相应分析资料的开放共享正在悄悄地改变着现在的 EEG 数据分析过程，同时也让我们去思考怎样的 EEG 数据处理分析才是更为科学、客观的分析，能够让结果是稳健的。

此外，我们也要审慎地看待这一预印本中的结果和观点，在后续的 EEG 研究中，尤其是数据采集和处理环节中，更为详细的记录和报告相关参数设置，从而更好的在开放科学的时代浪潮中踏浪前行。

以上就是这次分享的主要内容，我们下期再见啦！

参考资料：
Delorme, A. (2022). EEG is better left alone. bioRxiv.
https://doi.org/10.1101/2022.12.03.518987

转载 | 流浪心球
作者 | 念靖晴
排版 | 右右
校对 | 蓝桉喵君姐姐